CN111325146B - 一种货车车型和轴型识别方法和系统 - Google Patents

一种货车车型和轴型识别方法和系统 Download PDF

Info

Publication number
CN111325146B
CN111325146B CN202010104820.0A CN202010104820A CN111325146B CN 111325146 B CN111325146 B CN 111325146B CN 202010104820 A CN202010104820 A CN 202010104820A CN 111325146 B CN111325146 B CN 111325146B
Authority
CN
China
Prior art keywords
layer
vehicle
image
target
model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010104820.0A
Other languages
English (en)
Other versions
CN111325146A (zh
Inventor
张雷
姜天一
刘中华
张齐鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Bangshi Technology Co., Ltd
Jilin Jigao Intelligent Transportation Technology Co.,Ltd.
Original Assignee
Beijing Bangshi Technology Co ltd
Jilin Jitong Information Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Bangshi Technology Co ltd, Jilin Jitong Information Technology Co ltd filed Critical Beijing Bangshi Technology Co ltd
Priority to CN202010104820.0A priority Critical patent/CN111325146B/zh
Publication of CN111325146A publication Critical patent/CN111325146A/zh
Application granted granted Critical
Publication of CN111325146B publication Critical patent/CN111325146B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/08—Detecting or categorising vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及道路车辆监测的技术领域，特别是涉及一种货车车型和轴型识别方法和系统，通过深度学习在目标分类和识别中的应用，以解决利用图像或视频识别货车车型和轴型的问题，比较直观地把货车的外观特征数据结构化；包括以下步骤：S1采集原始车辆侧面和正面图像或视频；S2检测定位车辆位置后，输入训练的深度学习模型进行货车车轴的定位和识别；S3根据车辆侧面图像检测的车辆轴数和位置计算车辆的轴数、轴距和轮胎数；S4根据车辆正面图像进行车型识别和分类。

Description

一种货车车型和轴型识别方法和系统
技术领域
本发明涉及道路车辆监测的技术领域，特别是涉及一种货车车型和轴型识别方法和系统。
背景技术
众所周知，随着高速公路省界收费主站的撤销，ETC全国联网和无感支付的发展对车辆进行身份认证识别的重要性日益凸显。无人值守的收费站对管理带来新的挑战：ETC车辆利用车型作弊；ETC车辆自身换卡作弊；出口串通利用车型作弊；出入口车型不符。
打击偷逃费用越来越依赖于技术手段。在出入口比对车辆的身份信息确保通行车辆的身份唯一性，可以精准打击无人值守偷逃费的问题。车辆的特征识别结果与ETC交易流水比对，换卡，换签，换牌，无签通行等逃费行为都会一网打尽，实现车辆身份认证信息的一致完整，该系统可以为无人值守的收费站和无感支付防逃费稽查系统提供智能大数据分析的业务支撑，实现精准收费，实时稽查的的精细化管理，为高速公路运营节省成本和提高效益。
目前已有的专利主要集中在电磁感应线圈检测法、雷达识别法、红外线识别法、计重收费系统识别等，尚未检索到与本专利相同或类似的专利文献。
发明内容
为解决上述技术问题，本发明提供一种货车车型和轴型识别方法和系统，通过深度学习在目标分类和识别中的应用，以解决利用图像或视频识别货车车型和轴型的问题，比较直观地把货车的外观特征数据结构化。
本发明的一种货车车型和轴型识别方法，所述方法包括以下步骤：
S1采集原始车辆侧面和正面图像或视频，原始侧面和正面图像或视频包括高速公路入口抓拍图像、专用监控系统采集的视频文件；
S2检测定位车辆位置后，输入训练的深度学习模型进行货车车轴的定位和识别；
S3根据判别模型自动判别出目标图像是车辆侧面图像还是车辆正面图像，根据车辆侧面图像检测的车辆轴数和位置计算车辆的轴数、轴距和轮胎数；
利用CNN卷积神经网络训练模型对车辆的轮胎位置进行定位，卷积神经网络训练阶段输入层输入训练的标注样本，输入数据包含：图像数据，标注的ROI目标框以及所属类别的标签，检测阶段输入层输入数据是图像数据；
S4根据判别模型自动判别出目标图像是车辆侧面图像还是车辆正面图像，根据车辆正面图像进行车型识别和分类；
利用CNN卷积神经网络训练模型对车辆正面图像进行车型识别和分类，卷积神经网络训练阶段输入层输入训练的标注样本，输入数据包含：标注的图像数据以及所属类别的标签，检测阶段输入层输入数据是图像数据；
CNN卷积神经网络训练模型结构：a）卷积神经网络基础网络结构由卷积层、BN层和激活层组成卷积层单元，两个卷积层单元和残差层组成一个基础网络结构单元，可以有几十个基础单元甚至几百个基础单元构成，或是选择通用网络结构ResNet-152，基础网络结构单元的卷积核数量是32和64，或64和128，或128和256，核大小为1*1和3*3，各卷积层卷积核的大小和数量由公式来决定：
Figure 388551DEST_PATH_IMAGE001
其中，n是图像尺寸，p是扩充尺寸，f是卷积核尺寸，s是移动步长；
b）在基础网络的最后倒数三层分别接入5层1*1和3*3卷积核组成的卷积层单元；倒数第一层接入5层1*1和3*3卷积核组成的卷积层后在输出层之前接入一个卷积层单元；倒数第二层通过合并层接入倒数第一层的5层卷积层单元，同时接入5层1*1和3*3卷积核组成的卷积层后在输出层之前接入一个卷积层单元；同样，倒数第三层通过合并层接入第二层的5层卷积层单元，同时接入5层1*1和3*3卷积核组成的卷积层后在输出层之前接入一个卷积层单元；
c）采用2个尺度30*30，60*60对不同尺寸目标进行检测，越精细的网格可以检测出越精细的物体；根据样本数据统计出目标的常见尺寸作为类目标框box，每个框有(x,y,w,h,confidence）五个基本参数，然后还要有3个类别的输出概率，3个类别指的是常见货车有轮胎组有三种，这样每个box输出共有3*（5+3）=24个参数；
卷积神经网络的训练过程如下：使用采集到的高清车辆图像并进行标注后的图像数据进行监督学习，标注的图像数据包含车辆轮轴的坐标位置和种类，通过迭代将误差按照梯度降低算法来调整每一层的卷积核的权值，使得每一层的卷积参数可以识别轮胎类型，定位轮胎区域的目的。
步骤S4包括以下步骤：
d1）从车辆正面图像中定位车辆整体位置作为模型的整体图像输入；
d2）在车辆整体图像上按照部件提取模型提取部件的位置；
d3）组合车辆整体图像和部件图像的特征进行分类和识别。
本发明的一种货车车型和轴型识别方法，所述步骤d2)中部件提取模型方法包括以下步骤：
d21）利用车辆定位模型对目标提取目标候选框，这些目标框包含有用的目标信息并且可以定位正确的目标位置；
d22）目标候选框包含多种类型的目标框，由覆盖整个目标的整体框，覆盖目标中心的区域的中心目标框以及固定数量的覆盖部分目标的包围框；
d23）目标候选框的选择通过打分机制来实现，目标框的得分有目标检测模型输出的分类值减去外观相似性和不同部分之间的空间重叠给出，空间重叠计算通过两个目标框的IoU给出，外观相似性有每个目标框通过目标检测模型输出的分类值计算L2距离来给出。
本发明的一种货车车型和轴型识别方法，所述步骤d3）包括以下步骤：
d31）CNN识别模型的输入包含整理图像和部件图像；
d32）CNN识别模型可以是通用的预训练模型，resnet52或inception-v3，之后建立一个两层的堆叠LSTM融合提取后的特征，最后图像分类的损失函数定义为
Figure 661400DEST_PATH_IMAGE002
本发明的一种货车车型和轴型识别系统，所述系统包括原始视频获取模块，区分正面和侧面图像模块，轮胎定位模块和车辆正面前脸车型识别模块。
与现有技术相比本发明的有益效果为：
(1）本发明所使用的样本为高速公路出入口拍摄的图像，样本复杂多样性高，可充分提取任何状态下的车辆特征，大大增加训练出的分类器的鲁棒性。
(2）采用深度学习的方法，针对性设计的车型识别模型网络可使该网络能接受不同大小的图片作为输入，不在局限固定大小的图片输入，使网络具有尺度不变性，增加了识别效果。
(3）本发明对图像中的车辆正面图像和侧面图像的识别具有很高的识别率，且可以同时识别出货车的车型和轴型，效率高。
附图说明
图1为本发明流程图；
图2和图3为本发明的用于货车轮胎定位位置和轴型识别深度学习网络模型流程图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
如图1所示，一种货车车型和轴型识别方法，包括以下步骤：
S1收集原始图像并标记出图片中包含的每一辆货车车辆轮胎的位置及车辆型号，将源图像和标注信息作为训练样本集，具体过程如下：
（a）根据统计常见车辆的型号种类约为2000种，每种车型样本数量大约要1000张以上，不常见车型样本较难收集，通过数据增强方式达到样本的均衡；
（b）用人工框选的方法得到图像中货车轮胎位置的左上角和右下角坐标，将同一张图像中的所包含的所有车辆轮胎位置、轴型类别和车辆型号类别信息都记录在文档中；每个种类的车型样本均衡达到100张以后训练模型，然后用模型对样本数据进行分类，人工检查筛选样本数据，对识别错误的样本人工进行纠正，通过多次自动分类和人工筛选的迭代后形成上百万的大数据量样本库；
S2如图2和3所示，设计用于货车轮胎定位位置和轴型识别深度学习网络模型，网络的输入为标注后的图像样本，最后网络的输出层利用提取到的特征通过两个输出分支分别得到图片中轮胎位置的包围框和轴型类型。
网络的具体格式如下：
a）输入层为整个网络输入数据，训练阶段输入的数据包括图像数据，轮胎位置区域包围框及其轴型类别的标签，检测阶段的输入层输入的数据只包括图像数据；
b）货车轮胎定位位置和轴型识别深度学习网络模型在通用基础网络的基础上，最后倒数三层分别接入5层1*1和3*3卷积核组成的卷积层单元；倒数第一层接入5层1*1和3*3卷积核组成的卷积层后在输出层之前接入一个卷积层单元。倒数第二层通过合并层接入倒数第一层的5层卷积层单元，同时接入5层1*1和3*3卷积核组成的卷积层后在输出层之前接入一个卷积层单元。同样，倒数第三层通过合并层接入第二层的5层卷积层单元，同时接入5层1*1和3*3卷积核组成的卷积层后在输出层之前接入一个卷积层单元；
c）货车正面图像车型识别深度学习网络模型采用通用的预训练模型，resnet52或inception-v3，之后建立一个两层的堆叠LSTM融合提取后的特征应用softMax进行车型的多类别识别：
S3使用准备好的样本集对设计的深度学习网络模型进行迭代训练，使其具备定位和识别车辆轮胎位置和轴型以及车型类型的能力。训练过程如下：
使用标注后的车辆样本对深度学习网络模型进行有监督学习，利用标定的车辆轮胎位置包围框将交并比大于50%的目标区域作为正样本，所属类别的标签为标定的包围框的类别，将交并比为10%〜50%的分割区域作为负样本，类别为标签为0,表示负样本；通过不断的迭代将误差反向传播来调整每一层的卷积核的权值，使得每一层的卷积模板可以达到提取图像特征，识别车辆轮胎位置和轴型类型的目的。
S4货车车型识别、轮胎位置以及轴型识别的步骤如下：
对于待检测的输入图像，首先对图像进行正面或侧面自动判别；对侧面图像输入训练好的深度学习网络模型，卷积层在整个图像上提取特征后，在最后卷积层的输出参数基础上直接回归出车辆轮胎包围框得到最终的轮胎信息（x,y,w,h）和轴型类别，对所有的包围框使用非极大值抑制排除多余的包围框，剩余置信度最大的包围框和轴型类别；
对正面图像输入货车车型识别训练好的深度学习网络模型，卷积层在整个图像上提取特征后，在最后卷积层的输出参数基础上直接输出各个车型类别的置信度，选择最大的置信度作为当前输入图像的车型类别。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。

Claims (4)

1.一种货车车型和轴型识别方法，其特征在于，所述方法包括以下步骤：
S1采集原始车辆侧面和正面图像或视频，原始侧面和正面图像或视频包括高速公路入口抓拍图像、专用监控系统采集的视频文件；
S2检测定位车辆位置后，输入训练的深度学习模型进行货车车轴的定位和识别；
S3根据判别模型自动判别出目标图像是车辆侧面图像还是车辆正面图像，根据车辆侧面图像检测的车辆轴数和位置计算车辆的轴数、轴距和轮胎数；
利用CNN卷积神经网络训练模型对车辆的轮胎位置进行定位，卷积神经网络训练阶段输入层输入训练的标注样本，输入数据包含：图像数据，标注的ROI目标框以及所属类别的标签，检测阶段输入层输入数据是图像数据；
S4根据判别模型自动判别出目标图像是车辆侧面图像还是车辆正面图像，根据车辆正面图像进行车型识别和分类；
利用CNN卷积神经网络训练模型对车辆正面图像进行车型识别和分类，卷积神经网络训练阶段输入层输入训练的标注样本，输入数据包含：标注的图像数据以及所属类别的标签，检测阶段输入层输入数据是图像数据；
CNN卷积神经网络训练模型结构：a）卷积神经网络基础网络结构由卷积层、BN层和激活层组成卷积层单元，两个卷积层单元和残差层组成一个基础网络结构单元，可以有几十个基础单元甚至几百个基础单元构成，或是选择通用网络结构ResNet-152，基础网络结构单元的卷积核数量是32和64，或64和128，或128和256，核大小为1*1和3*3，各卷积层卷积核的大小由公式来决定：
Figure 98760DEST_PATH_IMAGE001
其中，n是图像尺寸，p是扩充尺寸，f是卷积核尺寸，s是移动步长；
b）在基础网络的最后倒数三层分别接入5层1*1和3*3卷积核组成的卷积层单元；倒数第一层接入5层1*1和3*3卷积核组成的卷积层后在输出层之前接入一个卷积层单元；倒数第二层通过合并层接入倒数第一层的5层卷积层单元，同时接入5层1*1和3*3卷积核组成的卷积层后在输出层之前接入一个卷积层单元；同样，倒数第三层通过合并层接入第二层的5层卷积层单元，同时接入5层1*1和3*3卷积核组成的卷积层后在输出层之前接入一个卷积层单元；
c）采用2个尺度30*30，60*60对不同尺寸目标进行检测，越精细的网格可以检测出越精细的物体；根据样本数据统计出目标的常见尺寸作为类目标框box，每个框有x,y,w,h,confidence五个基本参数，然后还要有3个类别的输出概率，3个类别指的是常见货车有轮胎组有三种，这样每个box输出共有3*（5+3）=24个参数；
卷积神经网络的训练过程如下：使用采集到的高清车辆图像并进行标注后的图像数据进行监督学习，标注的图像数据包含车辆轮轴的坐标位置和种类，通过迭代将误差按照梯度降低算法来调整每一层的卷积核的权值，使得每一层的卷积参数可以识别轮胎类型，定位轮胎区域的目的；
步骤S4包括以下步骤：
d1）从车辆正面图像中定位车辆整体位置作为模型的整体图像输入；
d2）在车辆整体图像上按照部件提取模型提取部件的位置；
d3）组合车辆整体图像和部件图像的特征进行分类和识别。
2.如权利要求1所述的方法，其特征在于，所述步骤d2)中部件提取模型方法包括以下步骤：
d21）利用车辆定位模型对目标提取目标候选框，这些目标框包含有用的目标信息并且可以定位正确的目标位置；
d22）目标候选框包含多种类型的目标框，由覆盖整个目标的整体框，覆盖目标中心的区域的中心目标框以及固定数量的覆盖部分目标的包围框；
d23）目标候选框的选择通过打分机制来实现，目标框的得分有目标检测模型输出的分类值减去外观相似性和不同部分之间的空间重叠给出，空间重叠计算通过两个目标框的IoU给出，外观相似性有每个目标框通过目标检测模型输出的分类值计算L2距离来给出。
3.如权利要求1所述的方法，其特征在于，所述步骤d3）包括以下步骤：
d31）CNN识别模型的输入包含整理图像和部件图像；
d32）CNN识别模型可以是通用的预训练模型，resnet52或inception-v3，之后建立一个两层的堆叠LSTM融合提取后的特征，最后图像分类的损失函数定义为
Figure 303477DEST_PATH_IMAGE002
。
4.一种货车车型和轴型识别方法的系统，其特征在于，系统包括原始视频获取模块，区分正面和侧面图像模块，轮胎定位模块和车辆正面前脸车型识别模块，用于实现权利要求1-3任意一项所述的一种货车车型和轴型识别方法。
CN202010104820.0A 2020-02-20 2020-02-20 一种货车车型和轴型识别方法和系统 Active CN111325146B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010104820.0A CN111325146B (zh) 2020-02-20 2020-02-20 一种货车车型和轴型识别方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010104820.0A CN111325146B (zh) 2020-02-20 2020-02-20 一种货车车型和轴型识别方法和系统

Publications (2)

Publication Number Publication Date
CN111325146A CN111325146A (zh) 2020-06-23
CN111325146B true CN111325146B (zh) 2021-06-04

Family

ID=71168789

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010104820.0A Active CN111325146B (zh) 2020-02-20 2020-02-20 一种货车车型和轴型识别方法和系统

Country Status (1)

Country Link
CN (1) CN111325146B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111860201B (zh) * 2020-06-28 2023-07-25 中铁大桥科学研究院有限公司 图像识别与桥梁监测相结合的匝道重车识别方法及系统
CN111797782B (zh) * 2020-07-08 2024-04-16 上海应用技术大学 基于图像特征的车辆检测方法和系统
CN112270402A (zh) * 2020-10-20 2021-01-26 山东派蒙机电技术有限公司 一种轮胎磨损辨识模型的训练方法及系统
CN112348894B (zh) * 2020-11-03 2022-07-29 中冶赛迪重庆信息技术有限公司 废钢货车位置及状态识别方法、系统、设备及介质
CN113392695B (zh) * 2021-04-02 2023-04-25 太原理工大学 一种公路货车及其轮轴识别方法
CN112883943B (zh) * 2021-04-28 2022-08-12 北京云星宇交通科技股份有限公司 一种轴型识别方法及系统
CN116189113B (zh) * 2022-12-29 2024-03-08 北京中科神通科技有限公司 一种货车车型识别方法和系统
CN117953460A (zh) * 2024-03-26 2024-04-30 江西众加利高科技股份有限公司 基于深度学习的车辆轮轴识别方法及装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1750010A (zh) * 2005-10-09 2006-03-22 万向钱潮股份有限公司 一种计算机辅助的汽车底盘选型方法
CN104050811A (zh) * 2014-06-13 2014-09-17 深圳市砝石激光测控有限公司 激光机动车分型系统及方法
CN104866858A (zh) * 2015-05-27 2015-08-26 北京信路威科技股份有限公司 一种车型特征分析方法
CN107423681A (zh) * 2017-05-27 2017-12-01 上海骁达信息科技有限公司 一种车型自动识别方法及系统
CN109583394A (zh) * 2018-12-05 2019-04-05 陕西四维衡器科技有限公司 高速公路收费系统中车辆轮胎数识别方法和专用设备
CN109815933A (zh) * 2019-02-11 2019-05-28 山东省公安厅高速公路交通警察总队 一种多轴车自动识别取证装置、系统及方法
CN109871728A (zh) * 2017-12-01 2019-06-11 北京万集科技股份有限公司 一种车型识别方法及装置
CN110532946A (zh) * 2019-08-28 2019-12-03 长安大学 一种基于卷积神经网络识别绿通车车辆轴型的方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1750010A (zh) * 2005-10-09 2006-03-22 万向钱潮股份有限公司 一种计算机辅助的汽车底盘选型方法
CN104050811A (zh) * 2014-06-13 2014-09-17 深圳市砝石激光测控有限公司 激光机动车分型系统及方法
CN104866858A (zh) * 2015-05-27 2015-08-26 北京信路威科技股份有限公司 一种车型特征分析方法
CN107423681A (zh) * 2017-05-27 2017-12-01 上海骁达信息科技有限公司 一种车型自动识别方法及系统
CN109871728A (zh) * 2017-12-01 2019-06-11 北京万集科技股份有限公司 一种车型识别方法及装置
CN109583394A (zh) * 2018-12-05 2019-04-05 陕西四维衡器科技有限公司 高速公路收费系统中车辆轮胎数识别方法和专用设备
CN109815933A (zh) * 2019-02-11 2019-05-28 山东省公安厅高速公路交通警察总队 一种多轴车自动识别取证装置、系统及方法
CN110532946A (zh) * 2019-08-28 2019-12-03 长安大学 一种基于卷积神经网络识别绿通车车辆轴型的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"基于神经网络的货车车型识别系统研究";贺甜;《万方学位论文》;20190904;全文 *
"基于视频的车型识别中关键技术的应用研究";王振彦;《中国优秀硕士学位论文全文数据库 (信息科技辑)》;20091015(第10期);全文 *

Also Published As

Publication number Publication date
CN111325146A (zh) 2020-06-23

Similar Documents

Publication Publication Date Title
CN111325146B (zh) 一种货车车型和轴型识别方法和系统
Wei et al. Multi-target defect identification for railway track line based on image processing and improved YOLOv3 model
CN101859382B (zh) 一种基于最大稳定极值区域的车牌检测与识别的方法
CN111079640B (zh) 一种基于自动扩增样本的车型识别方法及系统
CN103258213B (zh) 一种用于智能交通系统中的动态车辆车型识别方法
CN101980245B (zh) 一种基于自适应模板匹配的客流统计方法
CN110119726B (zh) 一种基于YOLOv3模型的车辆品牌多角度识别方法
CN111553201A (zh) 一种基于YOLOv3优化算法的交通灯检测方法
CN111292432A (zh) 基于车型识别和轮轴检测的车辆收费类型判别方法与装置
CN109034024B (zh) 基于图像目标检测的物流车辆车型分类识别方法
CN112084890B (zh) 基于gmm和cqfl的多尺度识别交通信号标志的方法
CN108875754B (zh) 一种基于多深度特征融合网络的车辆再识别方法
CN103295021A (zh) 一种静态图片中车辆特征检测及识别的方法及系统
CN104021375A (zh) 一种基于机器学习的车型识别方法
CN111523415A (zh) 一种基于图像的两客一危车辆检测方法和装置
CN113159024A (zh) 一种基于改进YOLOv4的车牌识别技术
CN111950583B (zh) 一种基于gmm聚类的多尺度识别交通信号标志的方法
CN114049572A (zh) 识别小目标的检测方法
Mijić et al. Traffic sign detection using yolov3
Wong et al. Vehicle classification using convolutional neural network for electronic toll collection
CN109977862A (zh) 一种车位限位器的识别方法
Guo et al. Real-time vehicle object detection method based on multi-scale feature fusion
CN104463238A (zh) 一种车牌识别方法和系统
CN104331708B (zh) 一种人行横道线自动检测分析方法及系统
CN106203368A (zh) 一种基于src和svm组合分类器的交通视频车辆识别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20220318

Address after: 130000 No. 1658, Pudong Road, economic and Technological Development Zone, Changchun City, Jilin Province

Patentee after: Jilin Jigao Intelligent Transportation Technology Co.,Ltd.

Patentee after: Beijing Bangshi Technology Co., Ltd

Address before: No.11855, Renmin Street, Nanguan District, Changchun City, Jilin Province

Patentee before: Jilin Jitong Information Technology Co.,Ltd.

Patentee before: Beijing Bangshi Technology Co., Ltd

TR01 Transfer of patent right